کارل زیمر در مقاله‌ای در نیویورک تایمز به این موضوع می‌پردازد و می‌نویسد در سال ۱۸۸۹، یک پزشک فرانسوی به نام فرانسوا-ژیلبرت ویول نمونه خون خودش را زیر میکروسکوپ بررسی کرد. او کشف کرد وقتی بدن گلبول قرمز بیشتری لازم دارد، می‌تواند به‌تناسب نیاز بسازد. در اوایل دهه ۱۹۰۰، دانشمندان این نظریه را مطرح کردند که محرک تولید گلبول قرمز هورمون است. هفت دهه بعد، پژوهشگران پس از تصفیه ۶۷۰ گالن ادرار، این هورمون را پیدا کردند. و پس از حدود ۵۰ سال، زیست‌شناسان در اسرائیل سلولی نادر در کلیه یافتند که وقتی اکسیژن بدن خیلی پایین می‌آید، این هورمون را تولید می‌‌‌کند. نام این سلول نورن است.
در واقع، ۱۳۴ سال طول کشید تا بشر سلول نورن را کشف کند. اما تابستان گذشته، رایانه توانست این سلول را در شش هفته کشف کند. این کشف زمانی رخ داد که پژوهشگران دانشگاه استنفورد به رایانهها برنامه دادند تا زیست‌شناسی را به‌صورت خودآموز یاد بگیرند. این رایانهها یک برنامه هوش مصنوعی مشابه چت‌جی‌پی‌تی داشتند. پژوهشگران استنفورد رایانه را با داده‌های خام میلیون‌ها سلول و ترکیب شیمیایی و ژنتیکی‌شان آموزش دادند اما به رایانه توضیح ندادند که این اندازه‌گیری‌ها چه معنایی دارد.
رایانه داده‌ها را به‌تنهایی پردازش کرد، و در یک فضای چندبعدی وسیع، مدلی از تمام سلول‌ها بر اساس شباهتشان به یکدیگر ایجاد کرد.
این نرم‌افزار یکی از چند برنامه جدید مبتنی بر هوش مصنوعی، موسوم به مدل‌های بنیادی است. کارکرد این مدل‌ها فقط مرتب‌سازی اطلاعاتی نیست که زیست‌شناسان جمع‌آوری می‌کنند، بلکه نحوه کار ژن‌ها و رشد سلول‌ها را کشف می‌کنند.
در حالی که این مدل‌ها با داده‌های آزمایشگاهی و قدرت رایانش بیشتر بزرگ‌تر می‌شوند، دانشمندان پیش‌بینی می‌کنند که این مدل‌ها شروع به کشف‌هایی بنیادی‌تر خواهند کرد. ممکن است اسراری از سرطان و سایر بیماری‌ها فاش کنند. ممکن است روش تبدیل یک نوع سلول به سلولی دیگر را پیدا کند.
اینکه هوش مصنوعی تا کجا پیش خواهد رفت محل بحث است. در حالی که برخی معتقدند که این مدل‌ها در نهایت به بن‌بست می‌رسند، بعضی دانشمندان خوش‌بین‌‌اند که مدل‌های بنیادی حتی از پس بزرگ‌ترین سوال زیست‌شناسی بر خواهند آمد: عامل تفکیک جاندار از غیرجاندار چیست؟
موش کور و سلول‌های قلب
زیست‌شناسان از مدت‌ها قبل در تلاش بوده‌اند بفهمند سلول‌های گوناگون بدن چگونه از ژن‌ها استفاده می‌کنند تا کارهای متعدد ضروری برای حیات را انجام دهند.
حدود ده سال پیش، پژوهشگران شروع به جمع‌آوری اطلاعات ژنتیکی سلول‌ها کردند. آن‌ها هر آنچه یافتند در «اطلس سلول‌ها» ثبت کردند، که به میلیاردها داده منجر شد.
پژوهشگران از مدل هوش مصنوعی که مهندسان گوگل برای ترجمه زبان ساخته بودند الهام گرفتند تا مدلی مشابه بسازند که بتواند معنای داده‌های اطلس سلول‌ها را درک کند.
آن‌ها داده‌های ۱۰۶ پژوهش منتشرشده را که اطلاعات ۳۰ میلیون سلول را شامل می‌شد به برنامه‌ای به نام ژنفورمر (GeneFormer) دادند. این مدل به شناخت عمیق و ارزیابی صحیح از نحوه عملکرد ژن‌ها در سلول‌های متفاوت رسید.
این مدل بر اساس نحوه استفاده از ژن‌ها، شباهت‌های سلولی را محاسبه و آن‌ها را در بیش از ۱۰۰۰ گروه طبقه‌بندی کرده است که با گونههای سلولی که چند نسل از زیست‌شناسان کشف کرده‌اند مطابقت دارد. این مدل خودش یاد گرفته است که چطور تمام سلول‌ها از یک تخمک بارورشده نشات می‌گیرند.
این مدل همچنین توانست دانشش را به گونههای جدید تعمیم دهد. هنگامی که نمایه ژنتیکی جانوری که برایش ناشناخته بود، مثلا موش کور، را دریافت کرد، توانست گونههای سلولش را شناسایی کند.
اینترنت سلول‌ها
مدل‌های زیست‌شناسی هم مانند چت جی‌پی‌تی گاهی اشتباه می‌کنند. کاشا کدزیرسکا، زیست‌شناس رایانشی در دانشگاه آکسفورد، و همکارانش اخیرا به ژنفورمر و یک مدل بنیادی دیگر مجموعه‌‌ای آزمون دادند. آن‌ها به این مدل‌ها اطلس سلول‌هایی را دادند که قبلا ندیده بودند تا کارهایی مانند طبقه‌بندی سلول‌ها را انجام دهند. این مدل‌ها در برخی وظایف خوب عمل کردند، اما در موارد دیگر نسبت به برنامه‌های رایانه‌ای ساده‌تر عملکرد ضعیفی داشتند.
هرچه این مدل‌ها داده‌های بیشتری دریافت کنند، عملکردشان بهتر می‌شود. اما در مقایسه با چت جی‌پی‌تی که روی کل اینترنت آموزش می‌بیند، جدیدترین اطلس سلول‌ها فقط مقدار به‌نسبت کمی از اطلاعات ارائه می‌دهد. در حالی که اطلس‌های بزرگ‌تر دارند آنلاین می‌شوند، سلول‌های بیشتری در راه‌اند.
دانشمندان همچنین در حال طراحی و توسعه ابزارهایی‌اند که به مدل‌های بنیادی امکان می‌دهد آنچه را یاد می‌گیرند با کشف‌های زیست‌شناسان ادغام کنند، تا یافته‌های هزاران مقاله علمی منتشرشده با پایگاه‌های داده‌های سلولی مرتبط شوند.
دانشمندان می‌گویند با داده‌های کافی و قدرت رایانه شاید در نهایت بتوانند ترسیم دقیقی از سلول داشته باشند و عملکرد سلول در هر شرایطی را پیش‌بینی کنند، و کل آزمایش‌ها به‌جای ظرف آزمایشگاه روی رایانه انجام شود.
وجود نقشه‌ای از ممکن‌ها و ناممکن‌های حیات شاید به این معنی باشد که دانشمندان بتوانند سلول‌های جدیدی خلق کنند که هنوز در طبیعت وجود ندارند. مدل بنیادی شاید بتواند ترکیبی شیمیایی بیابد که سلول‌های معمولی را به سلول‌های جدید غیرمعمولی تبدیل کند. آن سلول‌های جدید شاید گرفتگی‌های رگ‌ها را باز کنند یا عضوی بیمار را بکاوند و وضعیت را گزارش بدهند.
خطرهای جدید
مدل‌های بنیادی ممکن است خطرهای جدیدی نیز به همراه داشته باشند. اخیرا بیش از ۸۰ زیست‌شناس و متخصص هوش مصنوعی فراخوانی امضا کردند و خواستار نظارت بر این فناوری شدند تا از آن برای ساخت سلاح‌های بیولوژیکی جدید استفاده نشود. چنین نگرانی را شاید بتوان به انواع جدید سلول‌هایی که این مدل‌ها تولید می‌کنند تعمیم داد.
نقض حریم خصوصی ممکن است حتی زودتر اتفاق بیفتد. پژوهشگران امیدوارند مدل‌های بنیادی شخصی برنامه‌ریزی کنند که ژنوم خاص هر فرد و شیوه ویژه عملکردش در سلول را بررسی کند. اما این می‌تواند خصوصی‌ترین اطلاعات ممکن در مورد افراد اهداکننده دی‌ان‌ای را در اختیار صاحب مدل بگذارد.
دریافت لینک صفحه با کد QR